Si has intentado meter un agente de IA en tu negocio, probablemente ya conoces la sensación: funciona increíble en la demo, funciona bien la primera semana, y un martes cualquiera deja de funcionar sin avisar. O peor: parece que funciona, pero está haciendo cosas raras que nadie detecta hasta que un cliente se queja.
No estás solo. Esta semana, en Hacker News, un desarrollador con más de 20 años de experiencia lanzó una herramienta llamada Statewright con una frase que resume el momento actual de la IA aplicada: la resolución de problemas con agentes está, hoy por hoy, muy frágil. Le encanta la tecnología, pero reconoce que crea casi tantos problemas como resuelve.
Vale la pena pararse a entender por qué pasa esto, porque afecta directamente a cualquier negocio que esté pensando en automatizar procesos con IA.
El problema: los agentes de IA son brillantes pero impredecibles
Un agente de IA, en esencia, es un modelo de lenguaje (como GPT o Claude) al que le das herramientas y autonomía para decidir qué hacer. Le dices «gestiona los emails de soporte» y el agente decide, paso a paso, qué leer, qué responder, a quién escalar y cuándo cerrar el ticket.
Sobre el papel suena perfecto. En la práctica, ocurren cosas como estas:
- El agente entra en un bucle y manda 14 emails al mismo cliente.
- Interpreta mal una instrucción y archiva tickets urgentes.
- Llama a una API, falla, lo intenta de otra forma rara, y acaba en un estado que nadie había previsto.
- Funciona perfecto durante un mes y un día empieza a alucinar respuestas porque alguien cambió una palabra en el prompt del sistema.
El problema de fondo es estructural: un agente puro toma decisiones probabilísticas en cada paso. Eso le da flexibilidad, pero también significa que el mismo input puede producir caminos distintos. Y cuando algo es probabilístico, en algún momento sale mal.
Por qué esto importa para tu negocio
Si automatizas algo crítico —ventas, atención al cliente, facturación, agendamiento— necesitas que funcione el 100% de las veces, no el 95%. Un 5% de fallos en 1.000 llamadas al mes son 50 clientes con una mala experiencia. En soporte eso es asumible con supervisión; en facturación es un problema serio.
Ahí está la tensión real de la IA aplicada hoy:
| Enfoque | Flexibilidad | Fiabilidad | Cuándo usarlo |
|---|---|---|---|
| Agente totalmente autónomo | Alta | Baja | Tareas exploratorias, prototipos |
| Flujo rígido sin IA | Baja | Muy alta | Procesos 100% predecibles |
| Flujo estructurado con IA en puntos clave | Media-alta | Alta | La mayoría de procesos de negocio reales |
La mayoría de empresas no necesitan un agente que «piense por sí mismo». Necesitan un proceso claro donde la IA aporta inteligencia en los pasos donde de verdad hace falta: entender un email, redactar una respuesta, clasificar un lead, extraer datos de un PDF.
La idea detrás de Statewright (y por qué es relevante)
Statewright propone algo que en ingeniería de software llevamos décadas haciendo: máquinas de estado. Es un concepto sencillo:
Una máquina de estados define explícitamente en qué situaciones puede estar tu proceso, qué transiciones son válidas entre ellas, y qué pasa en cada una.
Aplicado a un agente de IA, en lugar de decirle «resuelve este problema como quieras», le dices:
- Empieza en el estado «recibir email».
- Desde ahí solo puedes pasar a «clasificar» o «descartar».
- Si clasificas como urgente, solo puedes pasar a «escalar a humano» o «responder con plantilla X».
- Cada transición está controlada y registrada.
El agente sigue usando IA para tomar decisiones inteligentes dentro de cada estado, pero no puede inventarse caminos nuevos. Es la diferencia entre dejar a un becario brillante hacer lo que quiera, o dejarle decidir dentro de un proceso bien definido.
Esto no es nuevo. Es la misma idea que lleva años funcionando en sistemas críticos: pagos, telecomunicaciones, control industrial. Lo interesante es que la comunidad de IA está redescubriendo que la fiabilidad no sale de un modelo más grande, sino de una arquitectura más disciplinada.
Cómo construir automatizaciones con IA que no se rompan
Más allá de la herramienta concreta, hay principios que aplican a cualquier proyecto de IA en un negocio real. Te los resumo:
1. Define el proceso antes de meter IA
El error más común es empezar por «quiero un agente de IA». El orden correcto es: ¿qué proceso quiero automatizar? ¿Cuáles son los pasos exactos? ¿Dónde hay decisiones que requieren entender lenguaje, contexto o ambigüedad? Esos son los puntos donde entra la IA. El resto debe ser código determinista.
2. Acota la autonomía
Dale al modelo la mínima libertad necesaria para hacer su trabajo. Si solo tiene que clasificar un email entre 5 categorías, no le des acceso a mandar correos. Cuanta menos superficie de decisión, menos cosas pueden salir mal.
3. Hazlo observable
Cada decisión que toma la IA debe quedar registrada: qué entrada recibió, qué razonó, qué decidió. Sin esto, cuando algo falla estás a ciegas. Con esto, puedes auditar, mejorar y dormir tranquilo.
4. Diseña para el fallo
Las APIs caen, los modelos devuelven cosas raras, los formatos cambian. Un buen sistema asume que va a fallar y tiene reintentos, fallbacks y escalado a humano cuando hace falta. Un sistema que se rompe a la primera no está listo para producción.
5. Empieza pequeño y demuestra valor
No intentes automatizar todo el departamento de ventas el primer día. Coge un proceso concreto, mídelo antes y después, y expande desde ahí. La IA aplicada bien hecha se construye por capas.
Lo que esto significa para tu empresa
La noticia detrás de Statewright es síntoma de algo más grande: el sector está madurando. Estamos pasando de la fase «mira lo que puede hacer ChatGPT» a la fase «cómo construyo esto para que funcione en mi negocio, todos los días, sin fallos».
Esa segunda fase requiere algo distinto. No basta con saber usar la API de OpenAI. Hace falta criterio de ingeniería: saber cuándo usar un agente y cuándo no, cómo estructurar el flujo, cómo integrar con tus sistemas, cómo monitorizar, cómo recuperar errores.
En Studio SmartWork llevamos desde 2021 construyendo exactamente este tipo de soluciones, antes de que la IA generativa fuera tema de conversación. Nuestra forma de trabajar refleja todo lo que hemos comentado en este artículo: usamos n8n como base para tener flujos estructurados y robustos, metemos IA solo en los puntos donde aporta valor real, y diseñamos cada solución para que se recupere sola cuando algo falla. En 6 meses de operación de algunos clientes llevamos 0 fallos no recuperados —no porque no haya errores, sino porque el sistema está pensado para gestionarlos.
Conclusión
Los agentes de IA puros son fascinantes y prometen mucho, pero hoy todavía no son la herramienta adecuada para procesos críticos de negocio. La buena noticia es que no los necesitas para obtener el 90% del valor. Con flujos bien diseñados, IA aplicada en los puntos correctos y arquitectura pensada para fallar y recuperarse, puedes automatizar la mayoría del trabajo repetitivo de tu empresa de forma fiable.
La pregunta no es «¿uso IA o no?». Es «¿cómo la uso para que funcione mañana, dentro de un mes y dentro de un año?». Y la respuesta no está en el modelo más nuevo, sino en cómo lo integras en un sistema que respeta los principios de la buena ingeniería.
La IA está lista para hacer trabajo de máquinas. Solo hay que construir el sistema que la rodea con la misma seriedad con la que construirías cualquier otro proceso crítico de tu negocio.